基于振动台实验的典型滑坡单元体震动滑移特征发现

针对典型滑坡滑动单元在地震过程中的滑移特征,制作了典型振动台物理模型,通过输入不同频率、峰值和持时的正弦地震波,开展了一系列的实验研究工作,得了一些比较有意义的新成果:(1)在输入地震波强度足够大时会出现瞬时沿滑带向上的滑移行为,存在向上和向下两个滑移屈服加速度;(2)在研究分析中,不可以坡底输入的地震加速度值而应以滑带处局部加速度值作为判别滑移与否和滑移量大小的计算数据;(3)滑体沿滑带产生的永久滑移总量随地震波持时增加呈阶梯波状增长;(4)不同时刻任一周期的振动滑移特征相对独立,且每一地震波周期时间内具有几乎相同的周期性滑移特征,总体滑移量是无数周期内滑移量的累加;(5)在每一地震波周期时间内,滑体向上和向下的滑移特征受控于相应向上和向下屈服加速度,其向上和向下滑移矢量和构成每一周期时间内的永久位移。

充分考虑振动台实验滑移特征的地震滑坡基本单元体永久位移估算方法研究

充分考虑振动台实验揭示出来的基本地震滑坡单元体震动滑移特征,总结得到其永久位移的估算方法:(1)考虑地震动惯性力和重力的联合作用,计算相应向上和向下滑移的屈服加速度,以反应其可能向上和向下滑移的行为;(2)在适度简化斜坡岩土体动力学模型的基础上,考虑斜坡岩土体自振特性和滑体所在高度对地震波的放大效应,得到滑体附近的局部地震加速度;(3)考虑滑体附近局部加速度和滑移屈服加速度的控制作用,计算每一地震波的周期内滑体相对滑床所能达到的最大滑移速度(向上和向下),进而得到相对动能;(4)考虑到滑体的动能基本耗散在滑带上,基于能量守恒原理,将相对动能除以滑带上的摩擦力,即可估算出每一周期内的永久位移;(5)将每一地震波周期内产生的永久位移相累加,即可得到总体的滑动位移。经与实验结果对比,本估算方法具有较高的精度与可靠性,虽只考虑了水平向地震动作用的影响,但对于存在竖向地震动的情况,其思路同样适用,只是需要计入竖向地震动惯性作用力的影响。

基于Newmark法的设定地震滑坡危险性评估

基于野外调查和滑坡填图的成果,将评价单元划分为滑坡单元与栅格单元,赋予不同的滑块厚度及岩土体强度,开展滑坡易发性评价;结合历史地震重现的设定地震方法和地震动衰减经验公式对研究区场地地震危险性进行评价,利用Arias强度I_(A)、临界加速度a_(c)和滑块位移间的经验式计算滑坡体与斜坡体的累积位移量,实现对潜在震区地震诱发滑坡的危险性评价。结果表明,研究区河岸两侧及支沟与黄土地区为潜在地震作用下滑坡高危险区,局部已有处于稳定状态的滑坡单元在评价结果中显示出整体位移,可以反映出地震作用下滑坡的复活情况。在尚未开展局地-场地尺度的地震危险性区划时,可以采用Newmark模型结合设定地震法对潜在震区地震诱发滑坡进行危险性评价。

基于不同评价单元的三峡库区滑坡易发性对比——以重庆市云阳县为例

为探究不同评价单元对区域滑坡易发性评估的影响,基于网格单元与斜坡单元对三峡库区典型县域重庆市云阳县开展了滑坡易发性研究。首先选取高程、坡度、曲率等22个评价因子,根据研究区988个历史滑坡数据,通过30 m×30 m的栅格数据提取斜坡单元,并基于网格单元及斜坡单元分别建立22个滑坡影响因子地理空间数据库;然后利用随机森林与贝叶斯优化算法来构建滑坡易发性模型,对研究区滑坡进行易发性评估;最后结合ROC(受试者工作特征)曲线与混淆矩阵结果检验评价单元的易发性模型预测精度。结果表明:易发性评估的结果可划分为低、较低、中、较高、高5个等级;基于网格单元的滑坡易发性模型中,高程、与道路距离、坡度这3个因子对滑坡发生的贡献率大,基于斜坡单元的模型中,I_(NDV)(归一化植被指数)、剖面曲率、平面曲率这3个因子对滑坡发生的贡献率大,并且2个模型的滑坡密度均随着滑坡易发性等级的升高而变大;与网格单元相比,斜坡单元能更好地解释地形间的联系,以斜坡单元(AUC=0.744)为最小评价单元的滑坡易发性模型比网格单元(AUC=0.714)精度更高。

基于信息量与神经网络模型的滑坡易发性评价

针对神经网络模型进行滑坡易发性评价时,传统的随机选取非滑坡单元存在准确性不高的缺点,提出信息量与神经网络结合的易发性评价模型。以江西省上犹县为研究区,首先,基于上犹县滑坡编录与实际调查,选取坡度、高程、坡向、平面曲率、剖面曲率,植被指数(NDVI)、湿度指数(TWI)、距水系距离、距道路距离、土地利用等10个环境因子,其次利用信息量模型对上犹县进行易发性分区,得到上犹县易发性分区图。然后,从信息量模型得出的易发性分区中的低易发区选取非滑坡单元,与滑坡编录中的历史滑坡点组成测试集与训练集,输入神经网络中训练模型,再将上犹县所有栅格输入,预测上犹县栅格的滑坡概率。最后利用自然断点法在上犹县栅格滑坡概率进行分类,得到基于信息量与人工神经网络结合的上犹县易发性分区图。由易发性结果表明:单独的信息量模型的成功率曲线下面积AUC=0.7364,历史灾害点位于高易发区与较高易发区的灾害数占总灾害数的55.6%;基于信息量与神经网络模型的AUC=0.7874;历史灾害点位于高易发区与较高易发区的灾害数占总灾害数的85.8%。信息量–神经网络的评价模型比单独的信息量模型的评价精度提高了5.1%;高易发区与较高易发区所涵盖的灾害数占比高30.2%。信息量–神经网络模型有更好的评价精度,并且证明了在信息量模型中的极低易发区选取非滑坡点具有可行性。

基于聚类分析和支持向量机的滑坡易发性评价

在将支持向量机(support vector machine,SVM)等机器学习模型用于区域滑坡易发性评价时,大都随机或主观地选取非滑坡栅格单元,不能保证所选的非滑坡栅格单元是真正的"非滑坡"。为解决此问题,提出基于聚类分析和SVM的滑坡易发性评价模型。该模型首先用自组织映射(self-organizing mapping,SOM)神经网络对滑坡易发性进行聚类分析;然后从极低易发区中选择非滑坡栅格单元,确保所选非滑坡栅格单元是高概率的"非滑坡";最后采用SVM模型基于已知滑坡、所选非滑坡和环境因子对滑坡易发性进行评价。将提出的SOM-SVM模型用于三峡库区万州区滑坡易发性评价,并将得到的易发性结果与随机选取非滑坡的单独SVM模型结果做对比。结果显示SOM-SVM模型具有比单独SVM模型更高的成功率和预测率,表明SOM神经网络能更准确地选取非滑坡栅格单元。